前一阵，我一直在TRAE Code里使用DeepSeek Flash。

原因也很现实：真的便宜。

虽然最近价格高了一点，但和其他一些模型相比，整体成本仍然不算高。日常改代码、整理项目、生成简单页面时，可以比较放心地多跑几轮，不用每次都惦记调用成本。

但它也有一个很明显的短板：没有 Vision 能力。

写普通代码时，这个问题不算突出。但一旦做网页复刻，它看不到原始设计图，也看不到浏览器最终渲染出来的页面，只能根据文字描述和代码推测效果。

代码可以运行，页面也能打开，可最终长成什么样，它自己并不知道。

所以deepseek-v4-flash-vision-exp出来后，我很快在TRAE Code里接入了它，重新做了一次之前的网页复刻 Demo。

任务很简单。

1比1复刻图片中的网页，直接采用html+css，不需要受限于任何框架，充分发挥你的设计能力，保证设计效果一致。 图片如果可以截取就截取，如果不方便，直接采用展位图片Lorem Picsum

设计图如下，我尝试了全图，效果还不是很好，为了更好地对比，案例只截取了一部分。

第一次生成速度挺快，代码可以正常运行，页面的大体结构也出来了。

顶部的招标信息、中标结果、资质培训三栏，中间的合作单位和友情链接，以及底部的蓝色页脚，基本都识别到了。

如果只是看“网页有没有做出来”，这次任务已经算完成。

但真正把生成结果和原图放在一起，问题还是很明显。

中间四张单位横幅，前两张还停留在The image is generating...，后两张直接变成了无关的植物图片。

友情链接右侧的展开箭头，本来应该和按钮在同一行，结果跑到了标题旁边。

列表中多出了明显的虚线分隔，页脚三个区块之间应该有的竖线却没有了。

页面能运行，结构也差不多，但离“复刻”还是有一段距离。

●第一轮只是看懂，第二轮开始反馈

接下来，我没有逐项告诉它应该怎么改，只把第一次生成后的页面截图重新传了进去，并补了一句：

附件是生成的网页，仔细对比原图和生成网页，一个个修复不一样的地方，如果是因为缺少图片资源，可以采用占位图

这一次，Vision的作用就明显了。

它先对比原图和生成结果，主动找出了几个差异：

• 政府单位横幅图片不对；

• 友情链接箭头位置不对；

• 列表中多出了分隔线；

• 页脚缺少竖向分隔。

然后，它根据这些问题重新修改代码。

第二次生成后，前两张一直加载失败的图片被换成了红色和蓝色的文字横幅，后两张无关的植物图片也被重新处理；友情链接箭头回到了按钮行右侧；列表中的多余虚线被去掉；页脚三个区块之间也增加了竖线。

当然，最终效果还不能算真正的 1 比 1。

缺失的图片资源只能通过文字横幅和占位图模拟，一些字号、比例和留白也还有继续调整的空间。

但第二次结果明显比第一次更接近原图。

而且真正让我在意的，并不是它一次识别出了几个问题，而是它开始能够看到自己刚刚做出来的东西，再根据结果修改代码。

●Vision 的价值，不只是让模型会看图

如果只看第一轮，Vision的作用好像只是让DeepSeek能够理解一张设计图，然后根据图片生成代码。

这当然有用，但其他很多Code Agent早就具备类似能力了。

真正让我感觉不一样的，是第二轮。

第一次生成的网页截图，又变成了下一次任务的输入。模型看到的已经不只是原始需求，还包括自己执行后的真实结果。

以前没有Vision时，整个过程更像是：

理解需求 → 生成代码 → 页面运行 → 结束

接入Vision后，页面效果本身也成了调试信息：

对于前端开发来说，这个变化挺重要。

因为最终交付的不是一份可以运行的代码，而是浏览器里真正呈现出来的页面。

模块有没有对齐、间距是否合理、图片是否正确、视觉层级是否接近目标，这些问题只看代码很难判断。

Vision补上的，正是结果反馈这一环。

●没有反馈的 Loop，只是在重复生成

Loop Engineering大家估计都已经耳熟能详了。

最开始接触的时候我觉得，所谓Loop无非就是让Agent多执行几轮。

后来感觉不太对。

如果每一轮都没有获得新的环境信息，那么：

生成 → 再生成 → 继续生成

本质上只是重复调用模型。

真正有效的Loop，应该是：

执行 → 观察结果 → 发现问题 → 调整 → 再次执行

这和人类干活的过程其实差不多。

写完文章会回头读，做完设计会打开预览，写完前端会刷新浏览器。我们很少只根据自己的操作过程判断结果，而是会不断观察最终效果。

Agent也一样。

只有它能知道“我刚才做成了什么样”，后续优化才有依据。

这也是这次Demo里，第二轮修改比第一轮生成更值得关注的地方。

第一轮证明模型可以看懂图片并生成代码。

第二轮则说明，图片可以成为Agent的环境反馈。

●再把 Harness 接进来，Loop 才能真正转起来

目前这次测试还没有实现完整自动化。

第一次页面生成后，是我手动打开页面、截取效果图，再把截图传给Vision。也就是说，观察环境和启动下一轮任务，仍然需要人参与。

但如果再结合Harness，后面的过程就有可能变成：

其中，Harness提供文件系统、浏览器、截图和代码执行环境；Vision负责感知执行结果；Loop负责让整个优化过程持续运行。

到了这一步，Agent才不只是根据需求生成一份代码，而是在真实环境中不断执行、观察和修正。

●便宜，可能决定了 Vision 能不能真正进入 Loop

说回最开始为什么一直在用DeepSeek。

还是成本。

图片问答通常只需要调用一次，但Agent的环境反馈可能要反复发生。页面每修改一轮，就需要重新渲染、重新截图、重新分析。

生成一次，看一次；修改一次，再看一次。

如果一次视觉调用就很贵，那这个Loop跑不了几轮，可能就舍不得继续了。

DeepSeek最近虽然涨过价，但横向来看仍然相对便宜。这个特点放到普通对话里，可能只是少花点钱；放到Agent的循环执行里，意义就不太一样了。

它让模型可以更频繁地观察环境。

这样一来，DeepSeek Vision的应用空间也不只是图片问答和识图，而可能进入网页开发、界面测试、桌面操作、文档排版等需要反复查看结果的任务。

这次测试只是一个很小的网页复刻Demo，也不能据此说明它已经可以稳定完成复杂前端开发。

但至少从这两次截图中，我看到了一种更有意思的变化：

Vision 对 DeepSeek 最大的价值，不是让它看懂一张图片，而是让它开始看见自己执行后的结果。

而相对可控的成本，才有可能让这种“反复看、反复改”，真正成为Agent的日常工作方式。